Utilization of unmanned aerial vehicles for zonal winemaking in cool-climate Riesling vineyards
Notice bibliographique
Résumé
Individual vineyards can vary spatially for several viticultural attributes, including water stress, nutrient status, growth/vigour and disease—which can, in turn, impact berry composition and resulting wine products. The goal of this study was to determine if vineyard variability detected by remote sensing using an unmanned aerial vehicle (UAV) could be used to zonally harvest vineyard blocks and produce wines that are sensorially differentiable. The specific hypothesis was that remote sensing would detect vineyard variation in viticultural variables and associate this variation with differences in wine sensory attributes based upon zonal harvesting. In six commercial Riesling vineyards across the Niagara Peninsula in Ontario, Canada, a UAV collected multispectral data, which were used to calculate the normalized difference vegetation index (NDVI). Grapevines (≈ 80) in a grid pattern were geo-located within each block and vineyard UAV NDVI maps were used for zonal harvesting of geo-located vines in areas corresponding to high vs. low NDVI. Wines made from these zones were then compared chemically and sensorially. Overall, wines created from high vs. low NDVI zones differed inconsistently in their basic wine composition. Sensorially, for certain sites and vintages, panellists distinguished between wines made from high vs. low NDVI zones using a sorting task. UAV NDVI demonstrated the ability to determine areas within a vineyard block that could produce wines that were sensorially distinguishable from one another.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».